决策树不断将数据切分成小数据集，直到所有目标变量完全相同，或者数据不能再切分为止，决策时是一种贪心算法，它要在给定的时间内做出最佳选择，但并不关心能否达到最优
树回归
优点：可以对复杂和非线性的数据建模
缺点：结果不易理解
适用数据类型：数值型和标称型数据
实现CART算法和回归树，回归树和分类树的思路类似，但叶节点的数据类型不是离散型，而是连续型
树回归的一般方法
（1）收集数据：采用任意方法收集数据。
（2）准备数据：需要数值型的数据，标称型数据应该映射成二值型数据
（3）分析数据：绘出数据的二维可视化显示结果，以字典方式生成树
（4）训练算法：大部分时间都花费在叶节点树模型的构建上
（5）测试算法：使用测试数据上的R2值来分析模型的效果
（6）使用算法：使用训练出的树做预测，预测结果还可以用来做很多事情
CART算法只做二元切分，所以这里可以固定树的数据结构。
创建树的伪代码：
找到最佳的待切分特征：
如果该节点不能再分，将该节点存为叶节点
执行二元切分
在右子树调用createTree（）方法
在左子树调用createTree（）方法
CATRT算法可以用于构建二元树并处理离散型或连续型数据的切分。若使用不同的误差准则，就可以通过CART算法构建模型树和回归树。该算法构建出的树会倾向于对数据的过拟合。一颗拟合的树常常十分复杂，剪枝技术的出现就是为了解决这个问题。两种剪枝方法分别使预剪枝和后剪枝。